刍议基于神经网络的变压器故障诊断技术

郝晓强　颜士远

摘 要：变压器故障征兆和故障类型具有一定的非线性特征，需要结合一定的故障诊断技术进行判断。而就目前来看，除了使用油中气体分析法，基于神经网络的变压器故障诊断技术也可以用于诊断变压器故障。因此，文章对基于神经网络的故障诊断原理进行了阐述，并对基于BP神经网络和基于概率神经网络的两种故障诊断技术展开了分析和比较，以便为关注这一话题的人们提供参考。

关键词：神经网络；变压器；故障诊断技术

引言

从国内外研究情况来看，变压器诊断系统的数学模型的获取问题一直是研究难题。而现阶段研究变压器故障诊断的技术有多种，包含了模糊理论方法、人工智能技术、在线监测技术和神经网络技术等等。相比较而言，神经网络具有非线性映射、自适应和并行处理等优点，更适用于研究变压器故障的非线性关系，所以在一定程度上得到了应用。因此，有必要对基于神经网络的变压器故障诊断技术展开研究，以便更好地应用该技术开展相关工作。

1 基于神经网络的故障诊断原理

在故障诊断方面，神经网络方法的运用可以完成变压器油中溶解气体数据中的隐含诊断规律的获取，所以不需要利用变压器故障诊断的相关知识。同时，根据实际变压器的油中溶解气体数据，神经网络能够进行自适应调整。因此，可以利用神经网络完成对变压器状态的监测，并对监测数据进行分析和处理，继而了解被监测对象的运行状态或故障原因。而就目前来看，很多神经网络都可以在变压器故障诊断中应用[1]。所以，只有通过分析和比较才能找到一种相对优秀的神经网络，继而使变压器故障诊断的准确率得到提高。

2 基于神经网络的变压器故障诊断技术分析

2.1 基于概率神经网络的变压器故障诊断

概率神经网络具有结构简单和训练简洁的特点，可以利用自身强大非线性分类能力完成故障样本空间的映射，继而得到故障模型空间。而通过形成具有一定结构自适应能力和较强容错能力的诊断网络系统，则可以使故障诊断的准确率得到提高。

2.1.1 故障确定网络的输入和输出

在建立概率神经网络模型时，想要正确地反映问题特征就要先准确选取输入的特征向量。而变压器潜伏性故障可以通过油中溶解气体分析法反应处理，同时改良三比值法在诸多诊断方法中有较高的判断准确率，所以，可以选取变压器色谱试验的五种关键气体的三比值法当做是网络输入[2]。在输出特征向量的选取方面，则可以将无故障、低能放电、低温过热、中温过热和高温过热等几种故障模式当做是输出向量特征，并利用阿拉伯数字进行故障的表示。

2.1.2 故障特征量的选择

按照概率模型故障的特征选择要求，需要使故障样本包含最大故障信息量。所以，通过分析变压器故障产生机理和故障信息传递关系，可以完成最能反映故障的特征量的选择。而忽视一些关系较小的特征量，则能使概率神经网络的规模最小。在建立基于概率神经网络的故障诊断模型时，需要以改良三比值法为基础。具体来讲，就是采用61*4维的矩阵作为数据。而矩阵中的前三列为改良三比值法数值，第四列为故障类别，即分类输出。同时，需要将故障样本分成是测试样本和训练样本两种，以便对模型的分类效果进行验证。但在实际的变压器故障中，由于大部分故障为高温过热故障，所以需要先按照实际故障比例完成样本的抽取，从而确定训练输入样本。此外，网络模型应该包含三个输入层和七个输出层，并含有21各模式层，而每一个模式层对应一个测试样本。从传递函数上来看，中间层为径向基传递函数，输出层为竞争传递函数[3]。最后，需要将所有样本按照故障类型分类顺序排列，以便使网络训练效果更直观。

2.2 基于BP神经网络的变压器故障诊断

从基本思想上来看，BP神经网络可以通过反复修正训练数据求取隐出层的函数参数，并正向传播学习信号和反向传播修正信号，直至达到理想的效果。所以，利用BP算法可以解决模式识别问题，并且实现以任意精度逼近任意连续函数，继而在一定程度上确保诊断系统诊断的正确率和整体性。

2.2.1 输入输出特征向量的选取

利用气相色谱技术可以完成油中溶有气体的检测，并分成甲烷、氢气、乙炔和总烃四类。而根据四种气体的浓度组成可以完成特征向量的设定，并表示为输入矩阵形式。同时，可以根据特征气体法描述完成变压器故障类型的分类，然后表示成输出矩阵。根据Sigmoid函数，可以确定输出值在0～1之间，并根据最大隶属度原则完成故障属性的判断。在数值越接近1时，就表示故障严重程度较大。而在故障小于0.5时，则可以认为无此类故障产生。

2.2.2 训练参数的确定

在确定BP神经网络模型的训练参数時，需要遵循一定的原则。具体来讲，就是样本中的故障百分比需要与实际变压器故障发生比率相当，并且需要考虑变压器型号、容量和运行环境等因素，以便使样本具有一定的广泛性。同时，样本还要具有一定的紧凑性，从而避免网络学习过程收敛困难或不收敛的问题出现，继而避免网络错误映射。而BP网络模型结构应为三层，可以任意精度逼近任何非线性物理对象。随着层数的增加，精度也将得到提高，但是网络也会过于复杂。所以，要尽可能使用最少的网络层进行BP神经网络的构建，以便更加直观的观察和调整训练效果。最终，可以确定BP网络结构为三层，输入层中含有三个神经元，中间层含有十个神经元，输出层含有七个神经元。从传递函数上来看，中间层与输出层的传递选择logsig函数，训练函数为trainlm，并且采用了优化算法训练网络，以便使训练过程保持稳定。

2.3 概率网络模块与BP网络模块的仿真

利用MATLAB完成概率神经网络的创建后，可以在仿真过程中对SPREAD多次取值，以便通过查看分类效果确定SPREAD的值。观察训练效果可以发现，40组训练样本中只有4组样本出错，训练时间也较快，所以可以将概率网络用于诊断变压器故障。而为了对概率神经网络的泛化能力进行验证，则需要利用MATLAB开展概率神经网络与BP神经网络的仿真对比实验。具体来讲，就是利用相同数据样本进行BP网络的训练和测试，然后对二者的训练效果进行对比。从训练时间和预测准确率角度来看，BP神经网络训练时间超过了2秒，概率神经网络训练时间不足0.5秒。同时，BP神经网络的预测准确率为76%左右，概率神经网络的预测准确率为约为81%。由于存在诸多不稳定因素，利用BP神经网络学习需要经过反复训练，并且无法保证训练的全局最优性[4]。因此，相较于BP神经网络，概率神经网络显然在变压器故障诊断方面具有更大的优势。

3 结束语

总而言之，变压器故障具有复杂的现象和一定的不确定性，故障的判断需要采用油中溶解气体的色谱分析技术和基于神经网络的故障诊断技术。而基于概率神经网络的变压器故障诊断技术是较为实用的技术，在故障诊断方面具有一定的非线性分类能力和泛化能力，因此可以得到更好的应用。

参考文献

[1]龚瑞昆，马亮，赵延军，等.基于量子神经网络信息融合的变压器故障诊断[J].电力系统保护与控制，2011，23：79-84+88.

[2]王杉，苑津莎，张卫华.基于BP神经网络的变压器故障诊断[J].黑龙江科技信息，2011，29：40-41.

[3]任静，黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制，2010，11：6-9+14.

[4]杨志超，张成龙，吴奕，等.基于粗糙集和RBF神经网络的变压器故障诊断方法研究[J].电测与仪表，2014，21：34-39.